
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import squarify
import numpy as np
from datetime import datetime
import time
import warnings
warnings.filterwarnings("ignore")
import math as mth
import plotly.express as px
from plotly import graph_objects as go
# импортируем карту и хороплет
from folium import Map, Choropleth, Marker
# импортируем кластер
from folium.plugins import MarkerCluster
# подключаем модуль для работы с JSON-форматом
import json
from collections import Counter


try:
    df = pd.read_csv(r'C:\Users\kslvd\pyn_projects\yandex_projects\food_invest\moscow_places.csv',index_col = False)
except:
    print('Не удалось загрузить данные.')


df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB


df.head()


df['chain'] = df['chain'].astype(bool)


print(f'В данных содержатся записи по {df["name"].nunique()} уникальным заведениям, некоторые из них сетевые chain = True.')

В данных содержатся записи по 5614 уникальным заведениям, некоторые из них сетевые chain = True.


print('В датасете содержится {0} полных дубликатов или {1} от выборки. Избавимся от них.'.format(df.duplicated().sum(), df.duplicated().sum()/len(df)))
df.drop_duplicates(inplace=True)

В датасете содержится 0 полных дубликатов или 0.0 от выборки. Избавимся от них.


Counter(df['category'])

Counter({'кафе': 2378,
         'ресторан': 2043,
         'кофейня': 1413,
         'пиццерия': 633,
         'бар,паб': 765,
         'быстрое питание': 603,
         'булочная': 256,
         'столовая': 315})


Counter(df['district'])

Counter({'Северный административный округ': 900,
         'Северо-Восточный административный округ': 891,
         'Северо-Западный административный округ': 409,
         'Западный административный округ': 851,
         'Центральный административный округ': 2242,
         'Восточный административный округ': 798,
         'Юго-Восточный административный округ': 714,
         'Южный административный округ': 892,
         'Юго-Западный административный округ': 709})


#перевод в нижний регистр и замена буквы ё

df['name'] = df['name'].str.lower().replace('ё', 'е')
df['address'] = df['address'].str.lower().replace('ё', 'е')


# проверим дубликаты заведений по адресу и названию 

(df

.groupby(['name','address'])

.agg(count_name=('name', 'count'))

.sort_values(by='count_name', ascending=False)[:15])


# проверим сколько заведений находятся на одних координатах

(df

.groupby(['lat','lng'])

.agg(count_name=('name', 'count'),names=('name', pd.unique))

.sort_values(by='count_name', ascending=False)[:15])


(df

.groupby(['name'])

.agg(count_name=('name', 'count'), categories=('category', pd.unique), chains=('chain', 'sum'))

.sort_values(by='count_name', ascending=False)[:15])


# проверяем пропущенные значения бары, функция ниже подсчитывает пустые ячейки и выводит на график % пропусков

def pass_value_barh2(df):
    
    try:
        
        data_ax=( (df.isna().mean()*100).to_frame().rename(columns = {0:'space'}).query('space > 0').sort_values(by = 'space', ascending = True) )
            
        ax=data_ax.plot(kind= 'barh', figsize=(19,6), rot = -5, legend = True, fontsize = 16, grid=True, xlabel='Столбец датафрейма', ylabel='% пропусков')
            
        ax.set_title('Количество пропусков в % от выборки' + "\n", fontsize = 22, color = 'SteelBlue')
            
        ax.set_xlabel('% пропусков')
    
        return plt.show();
    
    except:
        
        print('Пропущенных больше не осталось!')


pass_value_barh2(df)


#сведем общую информацию по количеству и доле заведений в разрезе районов

pivot=df.pivot_table(index=(['district']), values=['name'], aggfunc=({'name' : 'count'})).sort_values(by='name',ascending=False)
pivot['share_of_total'] = pivot['name']/len(df)
pivot


# формируем аббревиатуры (area) для каждого уникального имени

list=[]
for item in pivot.index:
    res = [char for char in item if char.isupper()]
    list.append(res)
    
areas = pd.DataFrame(list,pivot.index).astype(str)
areas.columns =['1st','2nd']
areas = areas.replace('None', '', regex=True)
areas['area'] = areas['1st']+areas['2nd']+"АО"
areas.drop(['1st', '2nd'], axis=1, inplace=True)
display (areas)


# добавляем "слева" новые аббревиатуры - столбец area

df_merged=pd.merge(
    df,
    areas,
    how="left",
    on='district',
    sort=False,
    copy=False,
    indicator=False,
    validate=None,
)


df_merged.sample(10)


# распределение количества пропусков по районам

for item in ['hours','price','avg_bill','middle_avg_bill','middle_coffee_cup','seats']:
    pivot=df_merged[df_merged[item].isnull()].pivot_table(index=(['area']), values=['name'], aggfunc=({'name' : 'count'})).sort_values(by='name',ascending=False)
    
    plt.figure(figsize=(20, 5))
    plt.bar(pivot.index, pivot.name,alpha=0.8)
    plt.title(f'Распределение пропусков столбца "{item}"')
    plt.xlabel('Район')
    plt.ylabel('Кол-во пропусков')
    plt.show()


# замена пропусков на 'Unknown'

df_merged[['hours', 'price']] = df_merged[['hours', 'price']].fillna(value='Unknown')


# добавляем название улицы - используем метод str.split чтобы разбить текст по знаку (поле адресс сформировано единобразно)

df_merged['street']=df_merged['address'].str.split(',').str.get(1)


# добавляем boolen переменную работы заведения ежедневно, круглосуточно

df_merged['is_24/7']=df_merged['hours'].str.contains('ежедневно, круглосуточно')


df_merged.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 8406 entries, 0 to 8405
Data columns (total 17 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              8406 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              8406 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   bool   
 13  seats              4795 non-null   float64
 14  area               8406 non-null   object 
 15  street             8406 non-null   object 
 16  is_24/7            8406 non-null   bool   
dtypes: bool(2), float64(6), object(9)
memory usage: 1.0+ MB


df_merged.category.unique()

array(['кафе', 'ресторан', 'кофейня', 'пиццерия', 'бар,паб',
       'быстрое питание', 'булочная', 'столовая'], dtype=object)


# представим распределение в категориях по разным метрикам (median и mean при этом не работают по NaN)
# %_chain - доля сетей,
# qty - количество заведений,
# avg_rating - средний рейтинг,
# med_seats - медиана посадочных мест 

pivot_dt=df_merged.pivot_table(index=(['category']), values=['name','seats','rating','chain'], aggfunc=({'name' : 'count',
                                                                               'seats' : 'median',
                                                                                'rating' : 'mean',
                                                                               'chain' : 'mean'})).sort_values(by='name',ascending=False)
pivot_dt.columns=['%_chain','qty','avg_rating','med_seats']
display(pivot_dt)


a=pivot_dt.reset_index().qty.values.tolist()
a

[2378, 2043, 1413, 765, 633, 603, 315, 256]


b=pivot_dt.index.get_level_values(0).tolist()
b

['кафе',
 'ресторан',
 'кофейня',
 'бар,паб',
 'пиццерия',
 'быстрое питание',
 'столовая',
 'булочная']


print(plt.style.available) # вызовем разные наборы цветов

['Solarize_Light2', '_classic_test_patch', 'bmh', 'classic', 'dark_background', 'fast', 'fivethirtyeight', 'ggplot', 'grayscale', 'seaborn', 'seaborn-bright', 'seaborn-colorblind', 'seaborn-dark', 'seaborn-dark-palette', 'seaborn-darkgrid', 'seaborn-deep', 'seaborn-muted', 'seaborn-notebook', 'seaborn-paper', 'seaborn-pastel', 'seaborn-poster', 'seaborn-talk', 'seaborn-ticks', 'seaborn-white', 'seaborn-whitegrid', 'tableau-colorblind10']


plt.style.use('seaborn-poster') 
squarify.plot(sizes=a,label=b, alpha=.8 )
plt.axis('off')
plt.show()


# строим бар график по всем показателям, для удобства сравнения масштаб оси x выравнивается по min/max

for item in ['%_chain','avg_rating','med_seats']:
    
    fig = px.bar(
                pivot_dt.sort_values(by=item,ascending= True),
                x=item,
                y=pivot_dt.sort_values(by=item,ascending= True).index,
                range_x=(pivot_dt[item].min()*0.9,pivot_dt[item].max()*1.01),
                orientation='h',
                title=f'Распределение для показателя {item}'
                )
    fig.show()


share=df_merged.query('chain == True').name.nunique()/df_merged.name.nunique()
print("{:.0%} от всех уникальных заведений составляют сети. А по количеству записей датасета сети составляют {:.0%} от всех. ".format(share,df_merged.chain.mean()))

14% от всех уникальных заведений составляют сети. А по количеству записей датасета сети составляют 38% от всех.


pivot=df_merged.pivot_table(index=(['name']), values=['district','category','chain','middle_avg_bill'], aggfunc=({'district' : 'count',
                                                                               'category' : 'first',
                                                                               'chain' : 'mean',
                                                                                'middle_avg_bill':'mean'})).sort_values(by='district',ascending=False)
display(pivot.head(15))


sns.distplot(df_merged[df_merged['middle_avg_bill']<3500]['middle_avg_bill'], bins=15);


# таблица топ-15 сетевых заведений

pivot_top=df_merged.query('chain==1').pivot_table(index=(['name']), values=['district','category','middle_avg_bill'], aggfunc=({'district' : 'count',
                                                                               'category' : pd.Series.mode,                                                                               
                                                                                'middle_avg_bill':'mean'})).sort_values(by='district',ascending=False).reset_index().head(15)
display(pivot_top)


# карта популярности сетевых заведения в московском регионе - чем крупнее фигура, тем больше точек

squarify.plot(sizes=pivot_top['district'],label=pivot_top['name'], alpha=.8 )
plt.axis('off')
plt.show()


# топ-15 сетевых в разрезе категорий со средним чеком

toplist=pivot_top["name"]

pivot_top.groupby('category').agg({'name' : 'count',
                                  'middle_avg_bill': 'mean'}).sort_values(by='name',ascending=False)


(df_merged.query('chain==1 & name in @toplist')

.groupby(['category'])

.agg(name=('name', 'count'), middle_avg_bill=('middle_avg_bill', 'mean'))

.sort_values(by='name', ascending=False)[:15])


# сформируем таблицу по кафе, где есть противоречия в данных по сети и количеству точек

pivot_fakes=pivot.query(' (chain==1 & district < 2) | (chain==0 & district > 1) ').sort_values(by='district',ascending=False)
display(pivot_fakes)


# теперь уберем такие записи чтобы уточнить количественные выводы в дальнейшем анализе

df_filtered=df_merged[~df_merged.name.isin(pivot_fakes.index)]


df_filtered.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 7893 entries, 0 to 8405
Data columns (total 17 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               7893 non-null   object 
 1   category           7893 non-null   object 
 2   address            7893 non-null   object 
 3   district           7893 non-null   object 
 4   hours              7893 non-null   object 
 5   lat                7893 non-null   float64
 6   lng                7893 non-null   float64
 7   rating             7893 non-null   float64
 8   price              7893 non-null   object 
 9   avg_bill           3724 non-null   object 
 10  middle_avg_bill    3062 non-null   float64
 11  middle_coffee_cup  530 non-null    float64
 12  chain              7893 non-null   bool   
 13  seats              4540 non-null   float64
 14  area               7893 non-null   object 
 15  street             7893 non-null   object 
 16  is_24/7            7893 non-null   bool   
dtypes: bool(2), float64(6), object(9)
memory usage: 1002.0+ KB


heat_pivot=df_filtered.pivot_table(index=(['category']), columns = 'area',values=['name'],aggfunc=({'name' : 'count'}))

col_names=[]
for each in heat_pivot.columns:
    col_names.append(each[1]) 
heat_pivot.columns=col_names


heat_pivot


# назначим переменные для построения графика

plot = heat_pivot.reset_index().loc[0:len(heat_pivot), heat_pivot.columns[0]:].to_numpy() # внутренний участок сводной
cats=heat_pivot.index.to_list() # список категорий
areas=heat_pivot.columns.to_list() # список районов


fig, ax = plt.subplots()
im = ax.imshow(plot)

# выводим все подписи на график
ax.set_xticks(np.arange(len(areas)))
ax.set_yticks(np.arange(len(cats)))
ax.set_xticklabels(areas)
ax.set_yticklabels(cats)
# слегка подвернем названия в оси x для удобства чтения
plt.setp(ax.get_xticklabels(), rotation=10, ha="right",
         rotation_mode="anchor")

# устанавливаем подписи - количество заведений к каждой ячейке
for i in range(len(cats)):
    for j in range(len(areas)):
        text = ax.text(j, i, plot[i, j],ha="center", va="center", color="w")

ax.set_title("Тепловой график заведений по районам Москвы")
fig.tight_layout()
plt.show()


# читаем файл с полигонами и сохраняем в переменной для будущей карты
try:
    with open(r'C:\Users\kslvd\pyn_projects\yandex_projects\food_invest\admin_level_geomap(7).geojson', 'r', encoding='utf-8') as f:
        geo_json = json.load(f)
except: 
    with open('/datasets/admin_level_geomap.geojson', 'r') as f:
        geo_json = json.load(f)


# сформируем средний рейтинг по районам чтобы отразить его на будущей карте

rating_df = df_filtered.groupby('district', as_index=False)['rating'].agg('median')
rating_df


# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=geo_json,
    data=rating_df,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Медианный рейтинг заведений по районам',
).add_to(m)

marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
df_filtered.apply(create_clusters, axis=1)
# выводим карту
m


# найдем топ-15 улиц по количеству заведений

top15streets=df_filtered.groupby('street', as_index=False)['name'].agg('count').sort_values(by='name',ascending=False).head(15)
top15streets


# создадим сводную таблицу чтобы изучить характеристики заведений топ-15 улиц

rue_pivot=df_filtered.query('street in @top15streets.street').pivot_table(index=(['street']), columns = 'category',values=['name'],aggfunc=({'name' : 'count'}))

col_names=[]
for each in rue_pivot.columns:
    col_names.append(each[1]) 
rue_pivot.columns=col_names

rue_pivot


# повторным образом отразим данные на хитмеп, найдем самые яркие и темные участки

plot = rue_pivot.reset_index().loc[0:len(rue_pivot), rue_pivot.columns[0]:].to_numpy()
cats=rue_pivot.columns.to_list()
street=rue_pivot.index.to_list()


fig, ax = plt.subplots()
im = ax.imshow(plot)

ax.set_xticks(np.arange(len(cats)))
ax.set_yticks(np.arange(len(street)))

ax.set_xticklabels(cats)
ax.set_yticklabels(street)

plt.setp(ax.get_xticklabels(), rotation=30, ha="right",
         rotation_mode="anchor")

for i in range(len(street)):
    for j in range(len(cats)):
        text = ax.text(j, i, plot[i, j],ha="center", va="center", color="w")

ax.set_title("Популярность форматов на топ-15 улиц Москвы по количеству заведений")
fig.tight_layout()
plt.show()


#создаем список улиц с единичными заведениями

onestreets=df_filtered.groupby('street', as_index=False)['name'].agg('count').sort_values(by='name',ascending=True)
onestreets_list=onestreets[onestreets['name']==1]['street']


# распределение по категориям единичных на улице заведений

df_filtered.query('street in @onestreets_list').groupby('category').agg({'name' : 'count',
                                  'rating': 'mean',
                                  'seats': 'median',
                                  'middle_avg_bill': 'mean'}).sort_values(by='name',ascending=False)


avgbill_df = df_filtered.groupby('district', as_index=False)['middle_avg_bill'].agg('median')
avgbill_df


# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
bill = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=geo_json,
    data=avgbill_df,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='BuPu',
    fill_opacity=0.8,
    legend_name='Медианный чек заведений по районам',
).add_to(bill)

# выводим карту
bill


df_filtered['distance'] = abs(df_filtered['lat']-moscow_lat)+abs(df_filtered['lng']-moscow_lng)


sns.jointplot(x="distance", y="middle_avg_bill", data=df_filtered[df_filtered['middle_avg_bill']<4000], kind='reg',height=15)

<seaborn.axisgrid.JointGrid at 0x20d7b9f74c0>


sns.jointplot(x="rating", y="middle_avg_bill", data=df_filtered[df_filtered['middle_avg_bill']>0], kind='reg',height=15, ylim=(0, 4000))

<seaborn.axisgrid.JointGrid at 0x20d05284880>


print('В данных отобранных для исследования содержатся записи по {} заведениям формата кофейня, {} из них с уникальными названиями'.format(len(df_filtered[df_filtered['category']=="кофейня"]), df_filtered[df_filtered['category']=="кофейня"]['name'].nunique() ) )

В данных отобранных для исследования содержатся записи по 1380 заведениям формата кофейня, 811 из них с уникальными названиями


# выведем датасет с кофейнями в отдельный срез

coffee=df_filtered.query('category=="кофейня"')
coffee.rating.describe()

count    1380.000000
mean        4.281667
std         0.367957
min         1.400000
25%         4.100000
50%         4.300000
75%         4.400000
max         5.000000
Name: rating, dtype: float64


# распределение кофеен по удаленности из центра

sns.distplot(coffee['distance'], bins=20)

<AxesSubplot:xlabel='distance', ylabel='Density'>


# график зависимости удаленноости от центра и среднего чека

sns.jointplot(x="distance", y="middle_coffee_cup", data=coffee[coffee['middle_coffee_cup']<1500], kind='hex',height=15)

<seaborn.axisgrid.JointGrid at 0x20d7d622100>


# связь рейтинга и средней стоимости одной чашки 

sns.jointplot(x="rating", y="middle_coffee_cup", data=coffee[coffee['middle_coffee_cup']<1500], kind='reg',height=15, ylim=(0, 500))

<seaborn.axisgrid.JointGrid at 0x20d066cf430>


# отразим основные параметры сразу в сводной таблице, фильтр coffee['is_24/7']==1

pivot_coffee=coffee[coffee['is_24/7']==1].pivot_table(index=(['area']), values=['name','seats','rating','chain'], aggfunc=({'name' : 'count',
                                                                               'seats' : 'median',
                                                                                'rating' : 'mean',
                                                                               'chain' : 'mean'})).sort_values(by='name',ascending=False)
pivot_coffee.columns=['%_chain','qty','avg_rating','med_seats']
display(pivot_coffee)


# сформируем средний рейтинг по районам чтобы отразить его на карте

rating_coffee = coffee.groupby('district', as_index=False)['rating'].agg('median')
rating_coffee


# создаём карту Москвы
rating_coffee_map = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=geo_json,
    data=rating_coffee,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlOrBr',
    fill_opacity=0.8,
    legend_name='Средний рейтинг кофеен по районам',
).add_to(rating_coffee_map)

# выводим карту
rating_coffee_map


# boxplot для переменной рейтинга по районам

ax = sns.boxplot(x="area", y="rating",data=coffee)


# boxplot для переменной рейтинга по районам в разбивке сетей

ax = sns.boxplot(x="area", y="rating", hue="chain",data=coffee)


# топ-10 улиц для кофеточки

reco=coffee.query('area=="ЗАО"').pivot_table(index=(['street']), values=['name','seats','rating','chain','middle_coffee_cup'], aggfunc=({'name' : 'count',
                                                                               'seats' : 'median',
                                                                                'rating' : 'mean',
                                                                               'chain' : 'mean',
                                                                               'middle_coffee_cup' : 'mean'})).sort_values(by='name',ascending=False)
reco.columns=['%_chain','cup_cost','qty','avg_rating','med_seats',]
display(reco.head(10))

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0

		count_name
name	address
хлеб да выпечка	москва, ярцевская улица, 19	2
more poke	москва, волоколамское шоссе, 11, стр. 2	2
раковарня клешни и хвосты	москва, проспект мира, 118	2
кафе	москва, парк ангарские пруды	2
нам	москва, саввинская набережная, 19, стр. 1а	1
нам	москва, ленинградский проспект, 69, стр. 1	1
назис пури	москва, люблинская улица, 61	1
название забыл	москва, ленинский проспект, 86	1
навруз	москва, новоясеневский проспект, 1б, корп. 2	1
на смирновской	москва, смирновская улица, 25, стр. 4	1
нават	москва, улица большая лубянка, 5	1
намангале	москва, ферганская улица, вл17-21	1
наби	москва, улица можайский вал, 10, стр. 21	1
на шашлыки	москва, профсоюзная улица, 103а	1
на углях	москва, ярцевская улица, 22а, корп. 2	1

		count_name	names
lat	lng
55.706883	37.592096	3	[франклинс бургер, креветочная, laserland кафе]
55.670021	37.552480	3	[кофе, южная ночь, суши мания]
55.676265	37.519503	2	[папа джонс, кравченко 8 стр. 6]
55.714942	37.574534	2	[белая птица, союз кофе]
55.762784	37.594602	2	[ava, patriki]
55.608307	37.664941	2	[ёрш, тануки]
55.759603	37.791702	2	[leon, леон]
55.655107	37.521641	2	[узбечка, кафе восток]
55.683046	37.549310	2	[городское, пицца кофе]
55.782729	37.513952	2	[кафе-кулинария сикварули, сикварули]
55.788610	37.783970	2	[чайхана doner кафе, чайхана döner]
55.780218	37.593084	2	[бансонс бургер китчен, лепим и варим]
55.665142	37.478603	2	[campus, loft-cafe академия]
55.721686	37.610700	2	[кулинарная лавка братьев караваевых, даблби]
55.712117	37.620555	2	[любовь пирогова, кулинарная школа ginza project]

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	area
7824	домино'с пицца	пиццерия	москва, бирюлёвская улица, 38, стр. 3	Южный административный округ	пн-чт 10:00–00:00; пт,сб 10:00–01:00; вс 10:00...	55.588212	37.664349	4.2	средние	NaN	NaN	NaN	True	85.0	ЮАО
4533	кафе курвуазье	бар,паб	москва, малая сухаревская площадь, 8	Центральный административный округ	ежедневно, круглосуточно	55.772743	37.630271	4.4	выше среднего	Средний счёт:1000–1500 ₽	1250.0	NaN	False	86.0	ЦАО
1085	шаурма house	быстрое питание	москва, анадырский проезд, 17	Северо-Восточный административный округ	ежедневно, круглосуточно	55.863874	37.682186	4.0	NaN	NaN	NaN	NaN	False	60.0	СВАО
1442	abc coffee roasters	кофейня	москва, ленинградский проспект, 72, корп. 1	Северный административный округ	пн-пт 08:00–22:00; сб,вс 10:00–22:00	55.805547	37.520395	4.5	средние	Цена чашки капучино:220–270 ₽	NaN	245.0	False	625.0	САО
2359	гриль хаус	быстрое питание	москва, верхняя красносельская улица, 3а	Центральный административный округ	ежедневно, 09:00–22:00	55.785714	37.664242	4.2	NaN	NaN	NaN	NaN	True	160.0	ЦАО
3590	моди	ресторан	москва, трубниковский переулок, 11	Центральный административный округ	ежедневно, 11:00–00:00	55.753076	37.586221	4.4	высокие	Средний счёт:1500–2000 ₽	1750.0	NaN	False	80.0	ЦАО
6184	шайба	быстрое питание	москва, пушкинская набережная	Центральный административный округ	ежедневно, 10:00–22:00	55.722812	37.591544	4.3	NaN	NaN	NaN	NaN	False	NaN	ЦАО
2720	буфет рокоссовского	кофейня	москва, открытое шоссе, 9, стр. 15	Восточный административный округ	пн-пт 07:00–20:00; сб,вс 11:00–20:00	55.815137	37.736327	4.5	низкие	Цена чашки капучино:100–150 ₽	NaN	125.0	False	NaN	ВАО
1284	стамбул дурум	кофейня	москва, улица народного ополчения, 22	Северо-Западный административный округ	ежедневно, 11:00–23:00	55.778556	37.479573	5.0	средние	Средний счёт:250–300 ₽	275.0	NaN	False	NaN	СЗАО
3155	гранд фэмили	ресторан	москва, улица герасима курина, 10, стр. 2	Западный административный округ	ежедневно, 11:00–00:00	55.732981	37.481154	4.5	высокие	Средний счёт:1500–2000 ₽	1750.0	NaN	False	NaN	ЗАО

	%_chain	qty	avg_rating	med_seats
category
кафе	0.327586	2378	4.123886	60.0
ресторан	0.357318	2043	4.290357	86.0
кофейня	0.509554	1413	4.277282	80.0
бар,паб	0.220915	765	4.387712	82.5
пиццерия	0.521327	633	4.301264	55.0
быстрое питание	0.384743	603	4.050249	65.0
столовая	0.279365	315	4.211429	75.5
булочная	0.613281	256	4.268359	50.0

Проектная работа "Исследование рынка заведений общественного питания Москвы"¶

Шаг 1. Открытие файла с данными и изучение общей информации ¶

Шаг 2. Предобработка данных ¶

Шаг 3. Анализ данных ¶

Шаг 4. Детализируем исследование: открытие кофейни ¶

Шаг 5. Приложение презентация ¶

	count_name	categories	chains
name
кафе	189	[кафе, бар,паб, кофейня, столовая, быстрое пит...	0
шоколадница	120	[кофейня, кафе]	120
домино'с пицца	77	пиццерия	76
додо пицца	74	пиццерия	74
one price coffee	72	кофейня	71
яндекс лавка	69	ресторан	69
cofix	65	кофейня	65
prime	50	[ресторан, кафе]	50
хинкальная	44	[быстрое питание, кафе, ресторан, столовая, ба...	44
шаурма	43	[быстрое питание, кафе, булочная]	0
кофепорт	42	кофейня	42
кулинарная лавка братьев караваевых	39	кафе	39
теремок	38	[ресторан, быстрое питание]	38
чайхана	37	[кафе, быстрое питание, ресторан]	37
ресторан	34	[ресторан, пиццерия]	0

	name	share_of_total
district
Центральный административный округ	2242	0.266714
Северный административный округ	900	0.107066
Южный административный округ	892	0.106115
Северо-Восточный административный округ	891	0.105996
Западный административный округ	851	0.101237
Восточный административный округ	798	0.094932
Юго-Восточный административный округ	714	0.084939
Юго-Западный административный округ	709	0.084345
Северо-Западный административный округ	409	0.048656

	name	category	district	middle_avg_bill
0	шоколадница	кофейня	120	679.166667
1	домино'с пицца	пиццерия	76	503.571429
2	додо пицца	пиццерия	74	388.263889
3	one price coffee	кофейня	71	NaN
4	яндекс лавка	ресторан	69	NaN
5	cofix	кофейня	65	NaN
6	prime	ресторан	50	362.000000
7	хинкальная	кафе	44	1005.263158
8	кофепорт	кофейня	42	NaN
9	кулинарная лавка братьев караваевых	кафе	39	460.689655
10	теремок	ресторан	38	325.826087
11	чайхана	кафе	37	439.230769
12	cofefest	кофейня	32	512.500000
13	буханка	булочная	32	231.250000
14	му-му	кафе	27	468.947368

	name	middle_avg_bill
category
кофейня	5	595.833333
кафе	4	593.532738
ресторан	3	343.913043
пиццерия	2	445.917659
булочная	1	231.250000

	name	middle_avg_bill
category
кофейня	336	625.000000
ресторан	186	498.545455
пиццерия	151	426.203704
кафе	100	484.811321
булочная	25	212.500000
быстрое питание	12	400.000000
бар,паб	4	625.000000
столовая	2	1000.000000

	street	name
815	проспект мира	177
819	профсоюзная улица	112
812	проспект вернадского	104
517	ленинский проспект	104
515	ленинградский проспект	91
366	дмитровское шоссе	84
445	каширское шоссе	71
291	варшавское шоссе	71
516	ленинградское шоссе	70
593	мкад	53
539	люблинская улица	53
507	кутузовский проспект	52
1047	улица вавилова	52
826	пятницкая улица	48
1199	улица миклухо-маклая	48

	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
street
варшавское шоссе	6.0	NaN	5.0	17.0	13.0	4.0	20.0	6.0
дмитровское шоссе	6.0	2.0	10.0	21.0	11.0	8.0	22.0	4.0
каширское шоссе	2.0	NaN	9.0	18.0	16.0	3.0	18.0	5.0
кутузовский проспект	2.0	1.0	2.0	12.0	13.0	3.0	16.0	3.0
ленинградский проспект	15.0	4.0	1.0	12.0	24.0	8.0	24.0	3.0
ленинградское шоссе	5.0	2.0	5.0	13.0	13.0	3.0	26.0	3.0
ленинский проспект	10.0	3.0	2.0	26.0	21.0	5.0	33.0	4.0
люблинская улица	5.0	NaN	1.0	24.0	10.0	1.0	10.0	2.0
мкад	NaN	NaN	7.0	36.0	4.0	NaN	5.0	1.0
проспект вернадского	7.0	1.0	12.0	23.0	16.0	11.0	33.0	1.0
проспект мира	12.0	4.0	21.0	51.0	35.0	9.0	43.0	2.0
профсоюзная улица	6.0	4.0	13.0	30.0	18.0	14.0	24.0	3.0
пятницкая улица	9.0	3.0	2.0	7.0	6.0	3.0	18.0	NaN
улица вавилова	2.0	2.0	10.0	13.0	10.0	3.0	12.0	NaN
улица миклухо-маклая	3.0	NaN	4.0	20.0	4.0	2.0	15.0	NaN

	name	rating	seats	middle_avg_bill
category
кафе	150	4.148000	42.0	663.739130
ресторан	95	4.246316	49.0	1717.777778
кофейня	89	4.323596	35.0	569.642857
бар,паб	41	4.492683	50.0	1400.000000
столовая	36	4.305556	80.0	280.952381
быстрое питание	26	4.096154	30.0	702.777778
пиццерия	18	4.355556	39.0	760.272727
булочная	10	4.300000	10.0	NaN

	district	middle_avg_bill
0	Восточный административный округ	600.0
1	Западный административный округ	1000.0
2	Северный административный округ	700.0
3	Северо-Восточный административный округ	500.0
4	Северо-Западный административный округ	750.0
5	Центральный административный округ	1000.0
6	Юго-Восточный административный округ	450.0
7	Юго-Западный административный округ	650.0
8	Южный административный округ	500.0

	%_chain	qty	avg_rating	med_seats
area
ЦАО	0.769231	26	4.288462	146.0
ЗАО	0.888889	9	4.200000	48.0
ЮЗАО	0.714286	7	4.271429	48.0
ВАО	1.000000	5	4.300000	49.0
САО	1.000000	5	4.220000	20.0
СВАО	1.000000	3	3.866667	12.5
СЗАО	1.000000	2	4.250000	200.0
ЮАО	1.000000	1	4.000000	0.0
ЮВАО	1.000000	1	2.300000	NaN

	ВАО	ЗАО	САО	СВАО	СЗАО	ЦАО	ЮАО	ЮВАО	ЮЗАО
category
бар,паб	50	50	68	61	23	356	64	38	37
булочная	22	37	39	27	11	48	24	13	23
быстрое питание	65	56	53	78	29	79	76	56	53
кафе	224	207	207	237	90	446	239	246	220
кофейня	103	142	189	156	61	423	127	87	92
пиццерия	69	70	75	66	40	105	71	53	62
ресторан	153	211	183	177	103	658	195	135	162
столовая	34	19	34	37	13	62	42	20	12

	%_chain	cup_cost	qty	avg_rating	med_seats
street
проспект вернадского	0.687500	188.75	16	4.131250	160.0
кутузовский проспект	0.769231	201.00	13	4.300000	96.0
береговой проезд	0.555556	171.25	9	4.200000	140.0
ярцевская улица	0.857143	200.00	7	4.142857	276.0
верейская улица	0.666667	157.00	6	3.950000	NaN
площадь киевского вокзала	0.833333	152.50	6	4.133333	300.0
улица барклая	0.600000	60.00	5	4.300000	41.0
рублёвское шоссе	1.000000	213.00	5	4.240000	70.0
улица покрышкина	0.750000	164.50	4	3.825000	110.0
улица мичуринский проспект	0.500000	203.00	4	4.050000	135.0